【亲测免费】 Hangover 开源项目安装与使用教程
Hangover 是一个由 André Zwing 和 Stefan Dösinger 于2016年开始的项目,它使简单 Win32 应用程序能够在 arm64 版本的 Linux 上运行。通过利用不同的模拟器作为 DLL 文件来仅模拟应用程序本身而不是整个 Wine 环境,实现了性能上的提升。
1. 项目的目录结构及介绍
Hangover 的仓库遵循标准的 GitHub 结构,核心组件和关键文件分布在以下主要目录中:
-
根目录:
LICENSE- 许可证文件,说明了该项目遵循 LGPL-2.1 许可。README.md- 项目简介,包含了快速入门信息。docs- 文档资料,可能包括开发指南或用户手册。wine,qemu,fex目录 - 分别对应不同模拟器的支持代码和配置。.gitignore和.gitmodules- Git 相关配置,忽略了不需要提交的文件并管理子模块。
-
源码与核心功能:
- 源码分布在各个特定模拟器的目录下,如
qemu,fex, 和box64cpu.dll相关实现,每个部分负责不同类型的兼容性模拟。
- 源码分布在各个特定模拟器的目录下,如
-
构建与打包相关: 构建脚本通常位于项目顶层或者特定的构建目录下(虽然在提供的引用内容中没有详细列出这些脚本的位置),用于编译和打包项目。
2. 项目的启动文件介绍
Hangover 的运行不直接依赖一个“启动文件”来执行,而是通过调用 Wine 来加载特定的应用程序,并通过环境变量指定模拟器 DLL (HODLL) 来决定使用哪种模拟技术。例如,要启动一个x86应用,您可能会执行命令如下,这里以使用 Box64 为例:
export HODLL=box64cpu.dll
wine your_application.exe
实际上,启动过程更多是基于命令行参数和环境设置,而非直接操作某个项目的启动脚本。
3. 项目的配置文件介绍
Hangover 的配置更依赖于环境变量而非传统的配置文件。配置主要是通过环境变量如 HODLL, HOLIB, 和 QEMU_LOG 来进行的,允许用户选择和自定义模拟器、库路径以及日志级别等。这意味着用户无需编辑具体的配置文件来调整设置,而是直接在终端命令前设定这些环境变量。
如果您需要更细粒度的配置或特定于模拟器的设置,这可能在每个模拟器的独立文档中有描述,例如 QEMU 或 FEX 自身可能有其配置文件或参数来进行更复杂的定制,但这超出了 Hangover 项目本身的直接范畴,需要参考相应模拟器的文档。
请注意,实际部署和使用 Hangover 需要熟悉Linux环境和命令行操作,且确保已了解如何编译和设置所选的模拟器DLL。对于开发者和高级用户,深入阅读项目文档和源码注释将提供更全面的操作指南。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00